一个基于树路径全球特征提取和完全连接的人工神经网络的miRNA疾病关联预测模型,具有多头自我注意力机制
Hou Biyu1, Li Mengshan2, Hou Yuxin3
1College of Physics and Electronic Information, Gannan Normal University, Ganzhou, Jiangxi, 341000, China.
BMC cancer
|June 5, 2024
概括
这项研究介绍了TP-MDA,这是一个新的模型,用于使用树路全球特征提取和人工神经网络来预测microRNA疾病关联. 该模型具有很高的准确性,为生物和遗传研究提供了宝贵的工具.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 微RNAs (miRNAs) 是许多生物体中各种生物过程中的重要调节者.
- 现有的miRNA疾病关联预测方法经常严重依赖相似性数据和关联矩阵.
- 需要改进,以数据为导向的方法来预测miRNA与疾病的联系.
研究的目的:
- 提出一种新的计算模型,TP-MDA,用于准确预测miRNA-疾病关联.
- 通过结合先进的特征提取和神经网络架构来克服现有方法的局限性.
- 通过miRNA分析,增强对疾病背后的分子机制的理解.
主要方法:
- 开发TP-MDA模型,集成树路径全球特征提取和完全连接的人工神经网络 (FANN).
- 使用多头自我注意力机制来有效地提取特征向量.
- 模型培训和验证使用5倍交叉验证进行可靠的绩效评估.
主要成果:
- TP-MDA模型实现了0.9714的高曲线下面积 (AUC),表现优于比较模型.
- 案例研究显示出显著的预测准确性:15个预测的结直肠癌miRNA中的12个和15个肺癌中的15个得到了验证.
- 在验证研究中,总体预测准确率达到0.9227.
结论:
- TP-MDA模型准确地预测了miRNA与疾病的关联,在该领域取得了重大进展.
- 该模型作为数据挖掘和生命科学,生物学和疾病遗传学的关联预测的宝贵参考.
- 这些发现突显了先进的计算方法在解开复杂的生物关系方面的潜力.
